An Active Perception Game for Robust Exploration

어두운 낯선 건물 안에서 구조가 필요한 사람을 찾기 위해 파견된 로봇을 상상해 보십시오. 로봇의 임무는 환경을 얼마나 잘 보고 이해할 수 있는지에 전적으로 달려 있습니다. 이를 위해 로봇은 다음에 어디로 이동할지 결정해야 합니다. 단순히 무작별로 배회할 수는 없습니다. 로봇은 환경에 대해 가장 많은 것을 가르쳐 줄 수 있는 특정 지점을 선택해야 합니다. 이 과정을 '능동적 지각(active perception)'이라고 합니다. 로봇은 끊임없이 스스로에게 질문합니다. "내가 이 구석으로 이동하면 어떤 새로운 정보를 얻게 될까?" 로봇은 실제로 보기 전에 미래의 시야가 가질 가치를 예측하려고 노력합니다. 이 예측은 매우 중요한데, 잘못된 추측은 로봇을 막다른 길로 보내 소중한 시간을 낭비하게 하거나 결정적인 단서를 완전히 놓치게 할 수 있기 때문입니다. 문제는 시야의 진정한 가치는 로봇이 사진을 찍고 이를 처리한 후에야 알 수 있다는 점입니다. 그 순간 전까지 로봇은 추정치를 가지고 작업하며, 복잡한 실제 환경에서 이러한 추정치는 종종 결함이 있습니다.

펜실베이니아 대학교의 연구팀은 로봇이 더 나은 추측을 할 수 있도록 돕는 새로운 방법을 개발했습니다. 그들은 기존의 정보 획득 예측 방식이 모든 새로운 시야를 독립적인 것으로 취급하여, 인접한 시야들이 서로 겹치고 정보를 공유한다는 사실을 무시하기 때문에 실패하는 경우가 많다는 점을 깨달았습니다. 게다가 로봇의 내부 세계 지도는 결코 완벽하지 않으며, 사용하는 센서에도 노이즈가 있을 수 있습니다. 이러한 요인들로 인해 로봇은 특정 경로로부터 얼마나 많은 것을 배울지 과대평가하거나 과소평가하게 됩니다. 연구진은 이 문제를 로봇의 추측과 현실 사이의 차이를 일종의 게임 속 '상대방'으로 취급함으로써 접근했습니다. 이 시나리오에서 로봇은 가장 정보가 많은 지점으로 항해하려 노력하고, '상대방'은 로봇을 오도하려는 오류와 불확실성을 나타냅니다. 이 상호작용을 분석함으로써, 연구팀은 로봇이 실시간으로 자신의 실수를 수정할 수 있게 해주는 온라인 학습 시스템을 만들었습니다.

그들의 방법의 핵심은 단순하지만 강력한 피드백 루프입니다. 로봇이 움직이며 데이터를 수집함에 따라, 로봇은 자신이 배울 것이라고 생각했던 것과 실제로 배운 것을 비교합니다. 만약 로봇이 특정 경로가 많은 새로운 세부 사항을 드러낼 것이라고 생각했지만 결과적으로 중복된 정보였음이 밝혀지면, 시스템은 이 불일치를 기록합니다. 그런 다음 이 경험을 사용하여 미래의 예측을 조정합니다. 정적인 공식에 의존하는 대신, 로봇은 자신의 불확실성에 대한 동적인 모델을 구축합니다. 로봇은 회전하는 프로펠러를 볼 때처럼 불확실성이 결코 사라지지 않는 경우나, 겹치는 각도가 예상보다 새로운 데이터를 적게 제공하는 혼란스러운 방을 보는 경우처럼, 이전의 추정치가 너무 높았거나 낮았던 패턴을 인식하는 법을 배웁니다. 이러한 오류를 지속적으로 개선함으로써, 로봇은 점점 더 정확하게 최적의 관측 지점을 선택할 수 있게 됩니다.

연구진은 이 접근 방식이 압박 속에서도 잘 버티는지 확인하기 위해 다양한 환경에서 테스트를 진행했습니다. 그들은 드론이 사실적인 가상 공간을 비행하며 의자와 변기 같은 물체를 식별하고 완전한 3D 지도를 구축하는 것을 목표로 하는 정교한 가상 환경 시뮬레이션을 실행했습니다. 또한 지상 로봇이 실내 복도와 실외 도시 장면을 탐색하는 실제 데이터를 사용하여 시스템을 테스트했습니다. 이 실험에서 로봇은 노이즈가 있는 센서와 장애물 뒤에 장면의 일부가 숨겨진 복잡한 환경을 다뤄야 했습니다. 결과는 표준적인 방법보다 명확한 개선을 보여주었습니다. 이 새로운 접근 방식은 정보 획득 추정의 오류를 평균 42% 감소시켰습니다. 이러한 더 정확한 추정은 더 나은 결과로 이어졌습니다. 로봇은 7% 더 많은 유용한 정보를 수집했고, 더 높은 시각적 선명도로 환경을 재구성했으며, 장면 내의 물체를 6% 더 많이 성공적으로 식별했습니다.

지상 로봇을 이용한 실제 테스트에서, 그 차이는 로봇이 어려운 구역을 처리하는 방식에서 특히 눈에 띄었습니다. 표준적인 로봇은 개방되고 보기 쉬운 구역에 머물렀을 수 있는 반면, 새로운 방법을 사용하는 로봇은 숨겨진 공간을 적극적으로 찾아 나섰습니다. 로봇은 장벽이나 주차된 차량에 의해 가려진 영역을 성공적으로 탐색하며, 보이지 않는 부분의 지도를 그리기 위해 모퉁이 너머를 효과적으로 살폈습니다. 연구진은 자신의 기대치를 수정하는 이 능력이 로봇이 중복된 관찰의 굴레에 빠지는 것을 방지하고, 대신 진정으로 탐사가 필요한 영역에 집중할 수 있게 해준다고 언급했습니다. 이 방법은 다양한 유형의 지도와 데이터에서도 작동하여, 과거의 추정 오류로부터 배우는 논리가 견고하고 일반화 가능하다는 것을 증명했습니다.

이 연구는 로봇이 자신의 한계로부터 배우도록 설계되는 방식의 변화를 강조합니다. 로봇이 미래를 완벽하게 예측할 수 있다고 가정하는 대신, 연구진은 로봇이 자신의 '예측에 대한 예측 오류'를 예측할 수 있음을 보여주었습니다. 이를 통해 기계는 무질서하고 예측 불가능한 실제 세계에 적응할 수 있습니다. 연구 결과는 기대와 현실 사이의 간극을 단순한 실패가 아닌 데이터의 원천으로 취급함으로써, 로봇이 훨씬 더 효과적인 탐험가가 될 수 있음을 시사합니다. 연구팀은 이 접근 방식을 통해 로봇이 가상 건물을 비행하든 번화한 도시 거리를 주행하든, 더 정확한 지도를 구축하고 더 많은 물체를 찾을 수 있음을 입증했습니다. 이 연구는 로봇이 경험을 쌓을수록 이러한 개선이 계속해서 커질 것이라는 수학적 보장을 제공하며, 시스템이 작동하는 시간이 길어질수록 더 나아지도록 보장합니다.